Problema 1: Geisers de Yellowstone

import pandas as pd
import numpy as np
import seaborn as sns
import plotly.express as px
df = pd.read_table('../datasets/geyser.dat', sep="\s+")
df.describe().transpose()

	count	mean	std	min	25%	50%	75%	max
id	272.0	136.500000	78.663842	1.0	68.75000	136.5	204.25000	272.0
eruptions	272.0	3.487783	1.141371	1.6	2.16275	4.0	4.45425	5.1
waiting	272.0	70.897059	13.594974	43.0	58.00000	76.0	82.00000	96.0

Exploración de los datos

Atributo eruptions

Tiempo de la erupción en minutos Tipo: Numérico

df.eruptions.describe()

count    272.000000
mean       3.487783
std        1.141371
min        1.600000
25%        2.162750
50%        4.000000
75%        4.454250
max        5.100000
Name: eruptions, dtype: float64

df.eruptions.median()

4.0

sns.histplot(data=df,x='eruptions')

<AxesSubplot:xlabel='eruptions', ylabel='Count'>

sns.boxplot(data=df, x='eruptions')

<AxesSubplot:xlabel='eruptions'>

Atributo waiting

Tiempo entre dos erupciones en minutos

fuente: https://www.rdocumentation.org/packages/mixAK/versions/5.3/topics/Faithful

df.waiting.describe()

count    272.000000
mean      70.897059
std       13.594974
min       43.000000
25%       58.000000
50%       76.000000
75%       82.000000
max       96.000000
Name: waiting, dtype: float64

df.waiting.median()

76.0

sns.histplot(data=df,x='waiting')

<AxesSubplot:xlabel='waiting', ylabel='Count'>

sns.boxplot(data=df, x='waiting')

<AxesSubplot:xlabel='waiting'>

Buscamos relaciones enrte las variables

sns.scatterplot(data=df, x='eruptions',y='waiting')

<AxesSubplot:xlabel='eruptions', ylabel='waiting'>

Se puede observar que existe una clara distinción en dos grupos

sns.displot(data=df, x="eruptions", y="waiting", kind="kde")

<seaborn.axisgrid.FacetGrid at 0x7f4de2077a30>

Modelado

Kmeans

from sklearn.cluster import KMeans

X = df[['eruptions', 'waiting']]
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
df['cluster_kmeans'] = kmeans.predict(X)

sns.scatterplot(data=df, x='eruptions',y='waiting', hue='cluster_kmeans')

<AxesSubplot:xlabel='eruptions', ylabel='waiting'>

Dbscan

Primer hacemos un dbscan "común" para comparar resultados con kmeans

from sklearn.cluster import DBSCAN

X = df[['eruptions', 'waiting']]
dbscan = DBSCAN(eps=1.2, min_samples=10, metric='euclidean').fit(X)
df['cluster_dbscan'] = dbscan.fit_predict(X)
sns.scatterplot(data=df, x='eruptions',y='waiting', hue='cluster_dbscan')

<AxesSubplot:xlabel='eruptions', ylabel='waiting'>

Como segunda opción, podemos usar db scan para eliminar el ruido. De esta manera nos queda un gráfico mas limpio

X = df[['eruptions', 'waiting']]
dbscan = DBSCAN(eps=1.1, min_samples=9, metric='euclidean').fit(X)
df['cluster_dbscan2'] = dbscan.fit_predict(X)
df2 = df.loc[df['cluster_dbscan2'] != -1]
sns.scatterplot(data=df2, x='eruptions',y='waiting', hue='cluster_dbscan2')

<AxesSubplot:xlabel='eruptions', ylabel='waiting'>

Optics

from sklearn.cluster import OPTICS
X = df[['eruptions', 'waiting']]
optics = OPTICS(max_eps=4, min_samples=40).fit(X)
df['cluster_optics'] = optics.fit_predict(X)
sns.scatterplot(data=df, x='eruptions',y='waiting', hue='cluster_optics')

<AxesSubplot:xlabel='eruptions', ylabel='waiting'>

Ploteamos los clusters obtenidos quitando el ruido

df2 = df.loc[df['cluster_optics'] != -1]
sns.scatterplot(data=df2, x='eruptions',y='waiting', hue='cluster_optics')

<AxesSubplot:xlabel='eruptions', ylabel='waiting'>

Problema 2: Problemas soporte tecnico

Un equipo de soporte técnico maneja diariamente varios tipos de problemas distintos. Algunos problemas son más frecuentes y fáciles de resolver, mientras que otros son complejos y requieren de varias llamadas telefónicas y visitas del técnico hasta que estén resueltos. Con la finalidad de optimizar el tiempo de los técnicos, la empresa desea armar equipos de trabajo a los cuales se le asignarán un conjunto de problemas de los cuales ocuparse. La empresa desea saber cuántos equipos de trabajo conformar y qué problemas va a ser asignado a cada equipo de trabajo, intentando que dichos problemas sean similares entre si, de forma tal que se pueda seleccionar los recursos humanos que mejor se ajusten a la resolución de los mismos. Se dispone de una base de datos con todos los problemas que se tratan, con información estadística sobre los mismos (issues.csv) .

import pandas as pd
import numpy as np
import seaborn as sns
df = pd.read_csv('../datasets/issues.csv')
df

	PROBLEM_TYPE	COUNT	AVG_CALLS_TO_RESOLVE	AVG_RESOLUTION_TIME	REOCCUR_RATE	REPLACEMENT_RATE
0	Admin Password Lost	45	2.3	54	0.15	0.00
1	Windows Reboots automatically	47	3.1	132	0.30	0.03
2	System not coming up after reboot	12	4.0	154	0.02	0.05
3	Slow system	165	1.2	32	0.03	0.00
4	Internet Connectivity loss	321	1.0	5	0.21	0.00
5	New Installation hangs	22	3.3	140	0.14	0.01
6	Intermittent Blank Screen	23	4.3	143	0.21	0.06
7	Too many popups in Browser	230	1.3	23	0.02	0.00
8	Cannot find printer	193	1.2	33	0.03	0.00
9	Missing peripheral driver	24	2.8	180	0.04	0.00
10	Cannot detect keyboard	450	1.0	8	0.25	0.00
11	Cannot detect mouse	520	1.0	7	0.28	0.00
12	Head phone jack not working	390	1.0	9	0.27	0.00
13	DVD read error	140	1.7	23	0.05	0.04
14	Cannot recover using restore	72	2.3	125	0.02	0.00
15	WIFI not functioning	290	1.1	11	0.22	0.00
16	Laptop not charging	29	2.2	45	0.35	0.22
17	Laptop loses charge very fast	43	2.1	56	0.31	0.28
18	Dark areas on screen	78	2.2	44	0.19	0.21
19	anti-virus not working	170	1.3	32	0.04	0.00

Exploración de datos

Atributo PROBLEM_TYPE

df.PROBLEM_TYPE

0                   Admin Password Lost
1         Windows Reboots automatically
2     System not coming up after reboot
3                           Slow system
4            Internet Connectivity loss
5                New Installation hangs
6             Intermittent Blank Screen
7            Too many popups in Browser
8                   Cannot find printer
9             Missing peripheral driver
10               Cannot detect keyboard
11                  Cannot detect mouse
12          Head phone jack not working
13                       DVD read error
14         Cannot recover using restore
15                 WIFI not functioning
16                  Laptop not charging
17        Laptop loses charge very fast
18                 Dark areas on screen
19               anti-virus not working
Name: PROBLEM_TYPE, dtype: object

df.PROBLEM_TYPE.describe()

count                         20
unique                        20
top       anti-virus not working
freq                           1
Name: PROBLEM_TYPE, dtype: object

sns.pairplot(data=df)

<seaborn.axisgrid.PairGrid at 0x7f4dcb569670>

Atributo Count

df.COUNT.describe()

count     20.000000
mean     163.200000
std      156.483596
min       12.000000
25%       39.500000
50%      109.000000
75%      245.000000
max      520.000000
Name: COUNT, dtype: float64

px.histogram(df, x="PROBLEM_TYPE", y="COUNT",  hover_data=df.columns)